NASA与IBM开源月球模型训练数据
\n NASA and IBM have released the Lunar Foundation Model, one of the first open-source AI models for lunar science. Trained on nearly 2 million tile bundles, mostly from 17
Full article body is primarily in Chinese for SEO depth; key points above are localized. Use the language switcher and deep links for global navigation.
## NASA与IBM开源月球模型训练数据
## 摘要 NASA与IBM于2026年共同开源的Lunar Foundation Model（月球基础模型）将17年月球轨道器观测数据转换为AI训练语料。模型基于近200万个地块数据包，涵盖11种多模态数据，专为月球科学提供开箱即用的预训练能力。无论你是开发月球表面分析工具、处理冰藏资源勘探，还是研究月球地形，均可直接下载使用。它特别适合需要快速适配特定任务的团队。决策时建议查看Hugging Face官方仓库，当日数据以挂牌页为准。
## 什么是NASA-IBM Lunar Foundation Model NASA-IBM Lunar Foundation Model（简称LFM）是一款开源的月球专用基础模型，由NASA和IBM Research联合研发，与多所高校合作完成。它借鉴了TerraMind架构，但从头训练而成。模型不再依赖传统任务专用算法，而是对海量未标注数据进行预训练，再通过少量标注数据快速适配下游任务。
该模型最突出的优势在于冰沉积物预测，相比基准模型Sw inV2-B，预测误差降低了最高22%。此外，它在月球坑检测和Irregular Mare Patches（不规则月海斑块）分割任务上也表现稳定。
## 训练数据核心规格 模型训练数据规模庞大且多模态：
- 近200万块地块（tile bundles）
- 覆盖11种模态数据
- 约100万高分辨率图像（Narrow Angle Camera，约1米/像素）
- 近96.4万多光谱图像（Wide Angle Camera，约100米/像素）
- 数据主要来自Lunar Reconnaissance Orbiter（LRO），额外融合GRAIL（重力场）、Lunar Prospector（氢含量）、Kaguya/SELENE（矿物学）等多任务数据
- 总计30+空间对齐数据层，9个仪器4个任务
地理分割方式确保训练/验证/测试集无数据泄露，避免随机分布带来的偏差。模型还明确接收成像几何参数（如太阳方位角、照明角度）作为输入，避免自己从像素中“猜测”光照条件，这对月球表面变化极大的环境是关键优化。
## 训练与适配机制 模型采用FlexiViT技术，同一权重可在不同图像块大小下无缝适配。训练过程让模型同时学习高分辨率细节与大尺度上下文，通过掩码预测任务理解地块间关系。
适配时，LoRA微调方式表现突出——仅更新少量参数即可达到与全量微调相当甚至更好的效果，尤其在坑检测任务上。
| 任务类型 | 基准模型 | NASA-IBM LFM 表现提升 | 备注 |
|---|---|---|---|
| 冰沉积物预测 | SwinV2-B | -22% 误差 | 极值优势明显 |
| 粗尺度坑检测 | SwinV2-B | -19% 误差 | 仅用一半数据仍领先 |
| 高分辨率坑检测 | 随机初始化 | 持平多数基线 | 细节重建准确 |
| IMP分割 | SwinV2-B | 约+3%（置信区间内） | 微小优势但模式复现好 |
## 官方资源获取路径 模型权重、代码、预训练数据集和基准集合已全部公开，可在以下地址直接下载：
- Hugging Face 模型仓库：
- GitHub 代码仓库：
- TerraTorch 开源工具套件集成入口
这些资源属于GrokCode模型天梯系列的典型开源案例，适合需要本地运行或API中转的团队参考。更多类似模型详情请查看模型天梯。
## 实际应用场景 该模型可直接用于：
- 自动识别潜在水冰资源区域（对极夜区探测至关重要）
- 月球坑自动映射与分类
- Irregular Mare Patches 火山特征分析
- 多源数据融合可视化
科学家可通过少量标注数据快速将其适配为自定义分析工具，而无需从零开始训练。实际落地时，建议结合物理测量结果使用，避免将模型定位为绝对测绘替代品。
## 风险与边界 模型不适用于绝对大地测量或高精度定位任务，生成测试中纬度经度误差可达数十度，地形高程值也可能出现系统偏移。研究者仍需依赖实地仪器或更高精度数据进行最终验证。
## 延伸阅读
## 风险与边界 模型不适用于绝对大地测量或高精度定位任务，生成测试中纬度经度误差可达数十度，地形高程值也可能出现系统偏移。研究者仍需依赖实地仪器或更高精度数据进行最终验证。
## English summary NASA and IBM released the Lunar Foundation Model on September 10, 2026, one of the first open-source foundation models for lunar science. Trained from scratch on nearly 2 million tile bundles spanning 17 years of Lunar Reconnaissance Orbiter data plus other missions, it covers 11 modalities at two scales. The model excels at polar ice deposit prediction, cutting error by up to 22% versus SwinV2-B baselines, and performs strongly on crater detection and Irregular Mare Patches segmentation.
It explicitly receives imaging geometry as input instead of inferring lighting conditions, enabling better performance across high- and low-resolution imagery. LoRA fine-tuning proved efficient, matching or exceeding full fine-tuning in most tasks. The full weights, code, and pretraining datasets are freely available on Hugging Face and GitHub.
Researchers can adapt it to custom lunar analysis pipelines with minimal labeled data. It is not a substitute for physical measurements—absolute positioning and elevation remain unreliable without additional validation. This resource expands the GrokCode open-model ecosystem for space science applications.
(正文字符数约2850，去除空白符后中文为主。数据来源于官方技术报告及挂牌页面，2026-10-04当日信息为准。)
适用于 GrokCode 倍率榜。信息仅供参考，不构成购买、投资或法律意见。